Rilevamento delle anomalie

Come funziona il rilevamento delle anomalie

Le tecniche di rilevamento delle anomalie analizzano i dati per stabilire una linea di base di normalità. Tutto ciò che non rientra in questa linea di base viene segnalato come anomalia. I metodi utilizzati possono spaziare da semplici approcci statistici, come l'identificazione di punti lontani dalla media, a complessi modelli di deep learning in grado di comprendere schemi intricati in dati ad alta dimensionalità. Gli approcci principali includono:

• Apprendimento supervisionato: Richiede un set di dati etichettati contenenti esempi normali e anomali. Sebbene sia efficace, ottenere dati etichettati sulle anomalie può essere difficile, poiché le anomalie sono spesso rare e inaspettate.
• Apprendimento semi-supervisionato: Si allena su un set di dati contenente solo dati normali. Il modello apprende i modelli normali e qualsiasi punto di dati non conforme viene considerato anomalo. Questo metodo è utile quando le anomalie sono diverse o poco definite.
• Apprendimento non supervisionato: Non richiede dati etichettati. Utilizza tecniche come il clustering (ad esempio, DBSCAN) o la riduzione della dimensionalità (ad esempio, PCA) per identificare i punti di dati isolati o diversi dalla maggioranza. Anche gli autoencoder sono comunemente utilizzati in questo caso.

Rilevamento delle anomalie e concetti correlati

Pur essendo correlato ad altre attività di analisi dei dati, il rilevamento delle anomalie ha obiettivi distinti:

• Rilevamento di oggetti: Mira a identificare e localizzare istanze di oggetti noti (come automobili, persone) all'interno di un'immagine utilizzando i riquadri di delimitazione. Il rilevamento delle anomalie, soprattutto nella computer vision, si concentra sull'identificazione di modelli visivi inaspettati o di difetti che non rientrano nella norma e che potrebbero non corrispondere a classi di oggetti predefinite.
• Classificazione delle immagini: Assegna una singola etichetta a un'intera immagine (ad esempio, "gatto" o "cane"). Il rilevamento delle anomalie può operare su vari tipi di dati (immagini, serie temporali, registri di rete) e identifica istanze o modelli specifici all'interno dei dati che sono insoliti, piuttosto che classificare l'intero punto di dati.
• Rilevamento di anomalie: Spesso viene usato in modo intercambiabile con il rilevamento delle anomalie. Tuttavia, il termine "outlier" si riferisce tipicamente a un punto di dati statisticamente distante dagli altri, mentre "anomalia" può comprendere deviazioni più complesse, tra cui modelli insoliti o irregolarità contestuali che potrebbero non essere semplici outlier statistici.

Applicazioni del mondo reale

Il rilevamento delle anomalie è fondamentale in numerosi campi:

• Controllo qualità della produzione: Identificare difetti come crepe, graffi o disallineamenti nei prodotti in una catena di montaggio utilizzando sistemi di visione. Ad esempio, individuare piccole crepe nei componenti degli aerei o etichette stampate in modo errato sui prodotti farmaceutici.
• Cybersecurity: Rilevare modelli insoliti di traffico di rete, tentativi di login o comportamenti di sistema che potrebbero indicare intrusioni, infezioni da malware o attacchi denial-of-service. I sistemi di allarme di sicurezza possono sfruttare il rilevamento delle anomalie per segnalare le attività sospette.
• Rilevamento delle frodi finanziarie: Identificare transazioni non autorizzate con carta di credito, attività di trading insolite o richieste assicurative che si discostano dal comportamento tipico dei clienti.
• Analisi di immagini mediche e sanitarie: Individuare anomalie nelle scansioni mediche (come radiografie o risonanze magnetiche) che potrebbero indicare tumori o malattie, spesso assistendo i radiologi. L 'utilizzo di YOLO11 per il rilevamento dei tumori ne è un esempio.
• Monitoraggio dello stato di salute del sistema: Rilevare metriche di performance insolite nei sistemi ITCPU utilizzoCPU , perdite di memoria) o nei macchinari industriali(manutenzione predittiva) per prevenire i guasti.
• Monitoraggio ambientale: Identificare eventi di inquinamento, deforestazione illegale attraverso l'analisi di immagini satellitari o cambiamenti insoliti negli ecosistemi.

Strumenti e tecnologie

Lo sviluppo di sistemi di rilevamento delle anomalie spesso coinvolge librerie ML standard e piattaforme specializzate. Framework come PyTorch e TensorFlow forniscono strumenti fondamentali per la creazione di modelli personalizzati. Per le attività basate sulla visione, modelli come Ultralytics YOLO possono essere adattati. Sebbene i modelli YOLO pre-addestrati eccellano nel rilevamento di oggetti comuni, possono essere addestrati su set di dati specifici per identificare anomalie specifiche del dominio, come difetti unici o modelli visivi insoliti non coperti da set di dati come COCO. Piattaforme come Ultralytics HUB offrono ambienti integrati per l'addestramento in cloud, la distribuzione(opzioni di distribuzione dei modelli) e la gestione efficiente di tali modelli utilizzando strumenti come l'Ultralytics HUB SDK. Librerie come Scikit-learn offrono anche diversi algoritmi per il rilevamento di anomalie e outlier.

Il rilevamento delle anomalie è una capacità vitale dell'AI e del ML moderni, che consente di identificare in modo proattivo le criticità e le deviazioni in numerosi settori. Scopri di più sui concetti correlati nel nostro GlossarioUltralytics .